Трансформация оперативной отчетности компании на основе подхода business intelligence

Российский бизнес ускоренными темпами трансформируется в систему крупных корпораций по западному образцу. Это особенно хорошо прослеживается в нефтегазовой отрасли, розничной торговле, а также в финансовой сфере. Успешные бизнес-структуры непрерывно расширяются, захватывая новые регионы сбыта. В этих условиях методология оперативного управления бизнес-процессами, сложившаяся в растущей структуре, быстро устаревает и становится неэффективной.

Диверсификация бизнеса ведет к росту числа отслеживаемых показателей, что создает трудности в принятии управленческих решений руководством, поскольку происходит «информационная» перегрузка – ситуация, когда в огромных массивах информации уже не удается отделить важное от несущественного. Решением этой проблемы занимаются, как правило, аналитические подразделения совместно со структурами, ответственными за подготовку оперативной отчетности по различным направлениям деятельности [1].

Наиболее перспективный путь повышения эффективности информации, которую готовят для руководства структурные (обеспечивающие) подразделения – трансформация оперативной отчетности в соответствии с принципами Business Intelligence (BI) – подхода, получившего мировое признание и принятого на вооружение большинством крупных корпораций экономически развитых стран [2, 3].

В широком смысле под термином BI подразумевают совокупность технологий, программного обеспечения и практик, направленных на достижение целей бизнеса [4]. Подход BI акцентируется на интеллектуальном управлении данными, что означает выделение наиболее существенных аспектов деятельности организации в данный момент времени и построение аналитической отчетности, ориентированной на эти аспекты. Этот процесс должен быть организован таким образом, чтобы скорость формирования отчетности была постоянной, вне зависимости от затрагивающих корпорацию изменений того или иного характера.

Алгоритм построения отчетности должен быть динамическим, изменения в организационной структуре, свойственные развивающейся компании, а также смещение фокусов деятельности, не должны существенно влиять на производительность работы обеспечивающих подразделений, поскольку в условиях жесткой конкуренции скорость принятия решений является одним из наиболее важных факторов успешной деятельности.

Существует множество подходов и требований к эффективности платформы BI. Так, А.М. Боржеш выделяет следующие требования к подобным системам [5].

• 1)    BI должна интегрировать большое количество внутренних и внешних источников данных для анализа и прогнозирования.

• 2)    BI должна обеспечивать оперативность анализа и прогнозирования бизнес-процессов. Актуализация данных в системе, даже с учетом структурных изменений, должна производиться максимально быстро.

• 3)    Структура лиц, задействованных в подготовке управленческих решений, должна быть четко определена.

• 4)    Гибкость формулирования запросов для анализа и прогнозирования.

• 5)    Использование интегрированных информационных хранилищ, определяющих набор показателей для анализа, и др.

В рамках описания подхода BI нельзя не затронуть проблему формирования методологической основы оценки эффективности сложных организационных структур, которая служит своеобразным «фундаментом» для построения платформы BI. Одним из наиболее популярных решений в мировой практике является подход оценки ключевых показателей эффективности (KPI), описание которого приведено далее по тексту. Сочетание методологической и технологической основ Business Intelligence позволит решить большинство проблем, связанных с отражением результатов деятельности в условиях роста масштабов бизнеса и непрерывных структурных изменений.

В качестве основных проблем отчетности для обеспечивающего подразделения можно выделить ранее отмеченную «перегруженность» управленческой отчетности, а также проблему технической реализации построения больших сводных отчетов. Первая проблема требует от слаженной работы по выделению «зон внимания» по основным направлениям деятельности в текущем периоде. Такой подход получил развитие в популярной западной концепции оценки ключевых показателей эффективности бизнеса – KPI. Эта методика предполагает выделение определенного набора показателей, которые имеют приоритетное значение на текущий момент, а также привязку значений этих показателей к оплате труда руководителей и сотрудников компании [6].

Список KPI может устанавливаться на различные отчетные периоды, при этом допускается сочетание разных списков KPI по итогам месяца, квартала, года. В качестве годовых показателей закрепляются верхнеуров-невые KPI, которые отражают итоги деятельности компании, например – показатель EBIT. Далее, показатели верхнего уровня детализируются по конкретным направлениям деятельности, закрепляемым в списке KPI за временной промежуток меньшей длительности – квартал или месяц.

Главным преимуществом методики, несомненно, является гибкость. Если приоритеты деятельности компании смещаются в сторону того или иного сектора деятельности, квартальные и месячные KPI всех подразделений могут быть пересмотрены, что позволяет оперативно переносить фокусы внимания в нужном направлении. Следует отметить возможность назначения совместного KPI для подразделений с целью интенсификации их взаимодействия между собой.

Согласно подходу KPI, управленческая отчетность должна быть построена вокруг списка ключевых показателей в разрезе подразделений (рисунок 1). В случае если тот или иной KPI сам по себе является агрегированным (например – выручка от продажи алкогольной продукции региональной торговой сети), его можно детализировать более конкретными показателями, например – долей искомой продукции в средней потребительской корзине, средними остатками продукции того или иного производителя на складе и т. д.

Детализирующие показатели являются «драйверами» основных KPI и располагаются в отчетности на уровень ниже основного списка «точек внимания».

Рисунок 1. Пример структуры отчета KPI, включающей три управленческих уровня

Figure 1. An example of structure of the report of KPI including three administrative levels

Третьей компонентой наполнения такого «комплексного» отчета может стать информация о положении компании на рынке, а также общедоступная статистика, более полно раскрывающая динамику KPI и драйверов. Таким образом, руководитель «верхнего уровня» может отслеживать результаты деятельности подчиненных ему управлений в агрегированном виде, а также получить детализацию нужного уровня по «зонам роста».

Когда концепция отчета готова, перед обеспечивающим подразделением возникает проблема её технической реализации. Если за расчет показателей из списка KPI отвечают разные подразделения, возникает проблема расхождения мнений этих подразделений в сроках актуализации, методиках прогнозирования и т. п. Прогнозы разных подразделений могут существенно расходиться, что порождает проблему согласования итоговой информации и ведет к существенным потерям рабочего времени среди руководства подразделений, а также рядовых сотрудников. Хотя эта проблема может быть решена путем четкого разграничения зон ответственности по подготовке отчетности, сам процесс консолидации объемных отчетов в сжатые сроки ведет к большому количеству ошибок и проблем, поскольку отработка процесса до мелочей в организации с непрерывно изменяющейся структурой невозможна. Использование стандартных средств подготовки отчетности, например, средствами MS Office, не позволяет гибко реагировать на изменения, так как возможности быстрого «перекраивания» структуры данных здесь весьма ограничены.

Кроме того, когда исходная информация поступает в отчет из нескольких десятков источников, велика вероятность ошибки по причине технического сбоя или простой перегруженности исполнителя. MS Excel отлично подходит для формирования простых отчетов, однако, по мере того, как объем публикуемой информации возрастает, а пользователи предъявляют все более комплексные требования к глубине отчетной формы, возможности этого программного обеспечения (ПО) исчерпываются. Объём файла с отчетом становится слишком громоздким, что затрудняет его редактирование и просмотр. Ввиду длительной загрузки файла, исправление ошибки в отчете может занять продолжительное время, что является довольно критичным фактором для принятия верных управленческих решений руководством.

Система BI позволяет решить значительную часть из вышеуказанных проблем, так как одним из принципов её построения является возможность многократного роста объемов данных, которые необходимо будет обрабатывать. Для того чтобы такое масштабирование аналитической системы было возможно, в архитектуре BI системы используются следующие основные компоненты.

• 1)    Интегрированная в бизнес-процессы система инструментов ETL (Extract, Transform, Load) и хранилищ данных, на которую будет возложена функция сбора, организации и хранения информации.

• 2)    Инструменты Data Mining, обеспечивающие возможность поиска новых закономерностей в данных, которые ранее не были обнаружены.

• 3)    Средства доставки аналитики конечному пользователю, включая инструменты формирования отчетных форм и продвинутой визуализации.

Одним из наиболее ярких примеров ETL является система SAP, представляющая собой программную среду, объединяющую огромный набор приложений для работы бизнес-структур корпорации, финансовых служб и HR-подразделений. SAP в первую очередь служит для сбора, организации и хранения данных. Зачастую структура данных в SAP, отвечающая всем требованиям компании с точки зрения надежности и актуальности данных, совершенно не пригодна для построения сложных аналитических отчетов. Для решения этой проблемы бизнес-информация в несколько измененном виде хранится в базе данных, организованной средствами Microsoft-SQL Server Integration Services (SSIS) или Oracle Warehouse Builder, из которой может быть загружена в специализированное ПО и транслирована конечному пользователю.

Использование средств SQL существенно упрощает процедуру обращения к данным, поскольку этот язык, с учетом расширений конкретного производителя базы данных (БД), предоставляет разработчику довольно гибкий инструментарий управления потоками информации. Наличие централизованного источника информации в виде единого хранилища данных существенно облегчает проблему взаимодействия различных подразделений в процессе подготовки отчетности.

Для большей гибкости управления массивами, наряду с типовыми базами данных, используются OLAP-кубы, которые позволяют организовать информацию в виде сложной многомерной структуры. Такой подход удобен тем, что позволяет конечному пользователю, не обладающему навыками написания запросов к БД, организовывать структуру выгрузки в любом удобном виде, оперируя измерениями куба. Средством доставки в таких случаях может служить обычный файл MS Excel, подключенный к OLAP. Продвинутый пользователь, которому требуется трансляция данных из куба в другие источники, может автоматизировать процесс загрузки данных посредством MDX-запросов (Multidimensional Expressions) – своеобразного аналога языка SQL для многомерных массивов.

Инструменты Data Mining в системе BI обеспечивают поиск оптимальных драйверов для управления ключевыми KPI, а также способствуют выявлению новых приоритетных KPI к будущим отчетным периодам. Сложность аналитических методов, которые применяются в этих инструментах, требует серьезной теоретической и практической подготовки аналитика. На этапе Data Mining, как правило, нет четко поставленных задач, имеется лишь общее направление, в котором нужно двигаться. Зачастую достаточный набор инструментов Data Mining можно обнаружить в самих ETL – приложениях. Так, среда Microsoft SQL Server Analysis Service (SSAS), включает широкий инструментарий построения математических моделей путем встраивания алгоритмов расчета в OLAP-кубы. Существует большое количество платформ для реализации сложного статистического анализа, наподобие Eviews, SPSS, SAS или STATISTICA. Наилучшей гибкостью обладают открытые платформы, например, R или Python, поскольку они имеют практически неиссякаемый источник новых идей и модификаций – сообщество пользователей и разработчиков платформы.

Список средств доставки BI системы конечному пользователю также достаточно широк. Если для мелких задач можно использовать «подручные средства» – модуль сводных таблиц Excel для трансляции кубов OLAP, более масштабные проекты потребуют разработки собственных платформ, специфицированных под конкретные нужды пользователя. Однако, поскольку собственный штат разработчиков есть далеко не у каждой компании, а полноценный цикл разработки приложения зачастую не согласуется со сроками подготовки отчетности, всё большую популярность получают так называемые приложения для «легкого» анализа данных – data discovery, которые выполняют роль «конструктора» отчетов на основе готовой модели данных. Приложения такого типа сохраняют агрегированную информацию в оперативной памяти, что позволяет быстро переключаться между секциями отчета.

«Первопроходцем» в разработке платформ Data Discovery является компания Qlik-Tech, основные продукты которой – Qlikview и QlikSense – получили широкое признание во множестве крупных международных компаний. Как отмечает Г. Нанеишвили (директор по развитию партнерской сети Qlik Russia), внедрение платформы Qlik позволяет вдвое сократить время на поиск нужной информации, а также сократить потребности в кадрах на 25% [7]. Аналогом Qlikview является платформа Tableau компании Tableau Software, предлагающая схожий с Qlik инструментарий.

В российских компаниях данные программные продукты пока не получили должного распространения, о чем свидетельствует практически полное отсутствие вакансий по данному направлению на рынке труда Москвы и Санкт-Петербурга, отмеченное П. А. Дмитриевым и В. Н. Наумовым [8]. В целом можно сказать, что приложение подобного типа может послужить отличной оболочкой BI системы для построения разнообразной аналитической отчетности.

Создание «витрины» отчета на платформе Business Discovery.

Разработка приложения для доставки аналитики конечному пользователю является едва ли не самым важным этапом построения BI системы. Низкокачественное проектирование инструмента визуализации может свести на нет все усилия разработчиков «фундамента» платформы, поскольку какой бы качественной ни была система, она не будет пользоваться спросом, будучи неудобной в использовании. Поэтому логика построения визуализации должна быть четкой, а общая концепция отчета – достаточно простой, чтобы руководитель любого уровня имел возможность быстро получить нужную информацию, не углубляясь в технические детали.

Одним из простых подходов r построению подобных отчетов является методика D-A-R (Dashboard-Analytics-Report), описанная в курсе разработчиков Qlik от компании QlikTech. Три компонента отчета подразумевают различные уровни погружения в бизнес-процессы. Dashboard (Дэшборд) позволяет оценить общее состояние компании или подразделения (в зависимости от уровня, для которого предназначен отчет). Наполнение дэшборда может быть любым, в зависимости от предпочтений заказчика.

Группа вкладок Analytics предоставляет пользователю более глубокие инструменты анализа показателей мониторинга бизнес-процессов. Здесь размещается набор таблиц и диаграмм, которые позволяют ответить на вопрос, почему процесс идёт тем или иным образом. Элементы визуализации в данном разделе имеют высокий уровень интерактивности, предоставляя возможность спускаться вниз по иерархии подразделения простым нажатием кнопки, причем прочие элементы вкладки будут следовать за управляемым объектом. Здесь же размещаются инструменты анализа «Что, если?», которые дают возможность строить различные сценарии развития бизнеса – в зависимости от заданного набора параметров. Так, изменяя структуру ассортимента продукции в отчете, можно (на основе статистики предыдущих периодов) посмотреть, как это может сказаться на выручке. Такой подход позволяет учесть возможные риски бизнес-процессов; он достаточно распространен на этапах формирования бизнес-плана.

На вкладках раздела Analytics также размещаются все расчетные величины, элементы статистического анализа: можно увидеть объемы продаж по подразделениям в разрезе клиентов, стран, продуктов, сгруппированных по временной шкале в диапазоне от месяца до квартала и проч.

Вкладки раздела Report представляют собой детальную отчетность вплоть до отдельных сотрудников, представленную в виде более традиционных таблиц с необходимыми фильтрами и срезами, а также группировками по руководителям подразделений. Этот раздел предназначен для принятия управленческих решений по конкретным сотрудникам, что, как правило, является полем деятельности их непосредственных руководителей.

Концепция D-A-R хорошо накладывается на методику оценки KPI подразделений. На вкладке Dashboard можно разместить непосредственно KPI, затем детализировать их на аналитических листах, связать с основными драйверами, показать структуру и динамику в требуемом разрезе, а также добавить элементы статистического анализа. Вкладки группы Report могут содержать плановые и фактические данные по отдельным сотрудникам и руководителям, которые можно использовать для планирования мероприятий, направленных на достижение намеченных показателей.

Логика отчета D-A-R в комплексе с подходом KPI удобна тем, что каждый руководитель может не только отслеживать свои конкретные целевые ориентиры, но и увидеть, какой вклад его подразделение вносит в общий результат.